XiaoMi-AI文件搜索系统
World File Search System时间序列
基于脑功能网络和样本熵的脑电信号特征提取
(1) 维数 一般取值 1 或 2 ，当 时，要求数据量 在数千点以上，但 过大不能保证序列具有相同 的性质； 一定时，若 ，需要较大才能取得 较好的效果，但是太大会丢失序列的许多细节信 息。 Pincus [ 14 ] 研究认为 比 效果好，可使 序列的联合概率进行动态重构时提供更详细的信 息。 (2) 用来衡量时间序列相似性的大小。如果 选得太小，估计出的统计概率会不理想；若选得 太大，会丢失时间序列中很多细节，达不到预期的 效果。 Pincus [ 14 ] 通过对确定性和随机过程的理论分 析及其对计算和临床应用的研究，总结出取值为 ( 为原始序列的标准差 ) 能得出有效 的统计特征。 (3) 表示输入数据点，一般取值为 100 ～ 5000 。因此根据上述原则，本文取 , 。根据实验研究发现当 时，不同 状态的脑电信号的样本熵并无太大差异；当 时，不同状态的脑电信号的熵值有明显差异。 因此 取值为 100 。即用长度为 100 点，间隔为 4 点 的滑动窗计算 EEG 在运动想象期 (2 ～ 6 s) 的样本 熵序列，然后求该序列的均值作为该 EEG 的样本 熵。 ERS/ERD 现象主要出现在 C3 和 C4 电极对应的 感觉运动区上，例如，右手运动想象时可观测到 C3 电极对应的感觉运动区 ERD 现象，左手运动想 象时可观测到 C4 电极对应的感觉运动区 ERD 现
改进了时间序列的机器学习模型，以预测径向轴环通过转移学习
由于计算能力和相应的算法的增加，在生产技术中使用Ma-Chine学习（ML）在工业时代4.0时代急剧上升[1]。数据可用性在这一点上至关重要，也是成功实施ML应用程序的先决条件。如果数据的数量或质量不足以用于给定问题，则数据增强，综合数据的使用和转移相似数据集的传输可以提供补救措施。在此过程中，转移学习的概念应用于径向 - 轴环滚动（RARR）的领域，并在整个过程中使用外直径的时间序列预测的示例实现。径向 - 轴环滚动是一个热形成过程，用于无缝环的产生。
使用从时间序列数据中自动提取的特征进行商用车聚类分析
时间序列聚类分析的标准实践方法涉及仔细的特征工程，通常利用专家输入来手动调整和选择特征。在许多情况下，专家输入可能不容易获得，或者社区可能尚未就给定应用程序的理想特征达成共识。本文比较了几种聚类分析方法的结果，这些方法使用手动选择的特征和自动提取的特征，应用于来自商业卡车车队的大型地理空间时间序列远程信息处理数据。探讨了特征选择、降维和聚类算法选择对聚类结果质量的影响。该分析的结果证实了先前的结果，即在聚类质量指标方面，领域无关特征与手工设计的特征具有竞争力。这些结果还为识别大型非结构化车辆远程信息处理数据中的结构的最成功策略提供了新的见解，并表明在手动选择的特征不可用的情况下，使用自动特征提取进行时间序列聚类可以成为从大规模地理空间时间序列数据中提取结构的有效方法。
生理时间序列数据中基于混合的数据增强方法的实证研究
摘要 — 数据增强是深度模型训练过程中帮助泛化的一种常见做法。在生理时间序列分类的背景下，以前的研究主要集中在标签不变的数据增强方法。然而，另一类出现在计算机视觉领域的增强技术（即 Mixup）尚未在时间序列领域得到充分探索。在本研究中，我们系统地回顾了六个生理数据集上的基于混合的增强，包括 mixup、cutmix 和流形 mixup，评估它们在不同感官数据和分类任务中的表现。我们的结果表明，三种基于混合的增强可以持续提高六个数据集的性能。更重要的是，这种改进不依赖于专家知识或广泛的参数调整。最后，我们概述了基于混合的增强方法的独特属性，并强调了在生理时间序列数据中使用基于混合的增强的潜在好处。我们的代码和结果可在 https://github.com/comp-well-org/Mix-Augmentation-for-Physiological-Time-Series-Classification 上找到。索引术语 — 数据增强、混合、生理时间序列
医疗保健中的人工智能：使用统计、神经和集成架构进行时间序列预测
文献中已经提出了统计和神经方法来预测医疗保健支出。然而，对比较这两种方法的预测以及医疗保健领域中的集合方法的关注更少。本文的主要目的是评估其预测某些止痛药每周平均支出的能力，以评估不同的统计，神经和集合技术。两个统计模型，持久性（基线）和自回归积分移动平均（ARIMA），一个多层感知器（MLP）模型，一个长期的短期内存（LSTM）模型以及结合ARIMA，MLP预测的集合模型和LSTM模型进行校准，以预测两种不同的止痛药的支出。在MLP和LSTM模型中，我们比较了训练数据的障碍和MLP和节点中某些节点的辍学的影响，并在训练过程中LSTMS中的LSTMS中的复发连接。结果表明，整体模型在两种止痛药中的持久性，Arima，MLP和LSTM模型都优于持久性。一般而言，不助长训练数据并添加辍学有助于MLP模型并助长了训练数据，而没有添加辍学帮助两种药物中的LSTM模型。我们强调了使用统计，神经和集合方法来预测医疗领域结果的时间序列。
利用智能农业中的时间序列基础模型进行土壤水分预测
最新的自然语言基础模型和计算机视觉基础模型的激增促进了各个领域的创新。受到这一进展的启发，我们探讨了基础模型在智能农业中预测的时间序列的潜力，这是一个经常受到有限数据可用性困扰的领域。具体来说，这项工作提出了一种新的TimeGPT应用，TimeGPT是一种最先进的时间序列基础模型，以预测土壤水潜力（𝜓土壤），这是通常用于灌溉建议的现场水状态的关键指标。传统上，此任务依赖于各种输入变量。我们探索了TimeGPT预测土壤的能力：（𝑖）零拍设置，（𝑖𝑖）仅依靠历史性𝜓土壤测量值的微调设置，以及（𝑖𝑖𝑖）微调的设置，我们还为模型添加了外源变量。我们将TimeGPT的性能与已建立的SOTA基线模型进行了比较，以预测土壤。我们的结果表明，TimeGPT仅使用历史𝜓土壤数据实现竞争性预测准确性，从而强调了其在农业应用中的显着潜力。这项研究通过实现传统上依赖广泛的数据收集和领域实验的预测任务，为农业可持续发展的基础时间序列模型铺平了道路。
用于规则和不规则时间序列分类的新型高效储层计算方法
时间序列是指在一段时间内按时间顺序收集的一系列数据点，每个点通常记录在特定的时间戳。时间序列有两个主要组成部分：时间戳和观测值。时间戳表示获取特定记录的时间，而观测值则显示与每个时间戳相关联的值，该值表明该值相对于其他时间点的相对重要性。此外，时间序列数据可能还带有一些其他模式，使时间序列分析更具挑战性。例如，来自同一数据集的样本可能具有不同的长度（可变长度）和/或相邻时间点可能具有不同的时间间隔（异质间隔）。时间序列分析涉及研究和解释样本随时间变化的趋势和依赖性等模式，并已广泛应用于现实世界现象 [1-3]。其中，时间序列分类 (TSC) 专注于将序列数据分类并标记为不同的类别，在医学、电信和金融等领域发挥着不可或缺的作用。TSC 算法的有效性取决于它们平衡短期和长期记忆以及捕捉时间依赖性的能力，同时将所需模式与噪声模式区分开来。在过去的几十年中，已经开发了大量算法来解决这一特定领域。到目前为止，长短期记忆 (LSTM) 网络可以看作是一个里程碑式的突破，它为序列数据中复杂的长期依赖关系建模所带来的挑战提供了强大的解决方案 [4-7]。LSTM 网络是一种循环神经网络 (RNN)，它利用记忆单元和门作为控制信息在网络中流动的手段。网络的设计主要是为了缓解梯度消失的瓶颈。然而，网络的训练是通过最先进的时间反向传播 (BPTT) 技术实现的。虽然 BPTT 是一种强大而有效的方法，但它的计算成本可能很高，尤其是对于大型和深度神经网络而言。除了反向传播辅助神经网络外，基于距离的方法也在广泛的 TSC 任务中取得了巨大的成功 [8-10]，其中，1-最近邻动态时间规整 (1NN-DTW) 已被证明
中国有针对性的抗癌药物使用的趋势：一个中断的时间序列分析
摘要背景：为了减轻中国患者的经济负担，卫生部（MOH）进行了首次全国性价格谈判，并成功谈判了三种昂贵的药物，包括2种目标抗癌药（TAMS），Icotinib和Gefitinib。但是，几乎没有证据表明国家谈判对TAM的使用的影响。该研究的目的是评估中国对TAMS使用的国家价格谈判政策的实施。方法：我们使用中断的时间序列（ITS）设计来检查日常成本的变化，每月的医院购买量以及Icotinib和Gefitinib的支出以及2015年1月至2015年1月之间29个省29个省份的594个高级医院的药品采购数据，并在2015年1月至2017年7月之间。适用于2016年5月至2016年7月之间的期限来评估政策的影响。结果：分别在全国谈判后12个月后，Icotinib和Gefitinib的每日成本下降了50.08％（p <.001）和53.89％（p <.001）。在数量方面，谈判与每月医院购买量的趋势Icotinib和Gefitinib的趋势增加了4.87千万个定义的每日剂量（DDDS）（p <.001）和6.89千万ddds（p <.001）。但是，在政策实施后，分别分别在政策实施之后，每月的医院购买支出迅速下降了51万美元（p <.010）和82万美元（p <.010）和82万美元（p <.050）。结论：第一次全国性谈判成功地削减了两个谈判的TAM的价格，并促进了中国的TAM使用。国际卫生政策管理。将来，政府应进行进一步的价格谈判，并在补偿计划中包括更多具有临床益处的药物，以减轻患者的经济负担并促进他们获得基本治疗的机会。关键字：价格谈判，有针对性的抗癌药，中断时间序列，中国版权：©2022作者（S）；由科尔曼医学科学大学出版。这是根据Creative Commons归因许可条款（https://creativecommons.org/licenses/ by/4.0）分发的开放式文章，该文章允许在任何媒介中不受限制地使用，分发和再现，前提是适当地引用了原始工作。引用：Huang C，Ung Col，Wushouer H等。中国谈判有针对性的抗癌药物使用的趋势：一个中断的时间序列分析。2022; 11（8）：1489–1495。doi：10.34172/ijhpm.2021.47
通过数学建模将微生物丰度时间序列与瘤胃微生物组的发酵动力学
Three distinct groups were included in the study: a non-obese control group (CG, n = 15, average age = 32.8 ± 6.5 years, BMI = 21.4 ± 2.2 kg/m 2 ), an obese-android group character- ized by a Waist to Hip Ratio (WHR) greater than 1 (OAG, n = 15, age = 32.4 ± 3.9 years, BMI = 41.4 ± 3.9 kg/m 2，whr = 1.2±0.2）和一个肥胖的ggynoid，WHR小于1（OGG，n = 15，年龄= 35.4±4.1岁，BMI = 40.0±5.7 kg/m 2，WHR = 0.82±0.3）。所有参与者都以自己选择的步行速度行驶的步态分析跑步机一分钟。时空参数，步行循环阶段，垂直地面反应力（GRFV）和压力中心（COP）速度从胎面厂软件中采样。肌电图（EMG）的活性在步行期间收集了脚步的脚步，用于计算脚踝植物和背屈屈（gm/ta和sol/ta）之间的共激活指数（ci），用于计算不同步行阶段的脚踝植物（ci）。
基于混合 AI/ML 和计算力学的核反应堆部件时间序列状态和疲劳寿命估计方法
免责声明 本报告是由美国政府机构资助的工作报告。美国政府及其任何机构、芝加哥大学阿贡国家实验室或其任何员工或官员均不对所披露的信息、设备、产品或流程的准确性、完整性或实用性做任何明示或暗示的保证，或承担任何法律责任或义务，或表示其使用不会侵犯私有权利。本文以商品名、商标、制造商或其他方式提及任何特定商业产品、流程或服务并不一定构成或暗示美国政府或其任何机构对其的认可、推荐或支持。本文表达的文档作者的观点和意见不一定代表或反映美国政府或其任何机构、阿贡国家实验室或芝加哥大学阿贡国家实验室的观点和意见。